《百度笔试机器学习》专题

我训练了一个模型，在测试集上的测试结果是可以的。现在，我已经将模型保存为“训练模型”，并将一个新的实验转化为一个新的数据集，以便在我没有实际值的情况下进行预测。 通常，训练过的模型给我一个每个实例的评分标签结果。但是现在，打分的标签结果是空的。另外，当我将得分结果转换为CSV时，得分标签列是空的。 更奇怪的是，当我查看score Visualize选项卡的统计数据时，我确实看到了得分值的统计数据。

入门文章 一文读懂机器学习，大数据/自然语言处理/算法全有了

Kubeflow 是 Google 发布的用于在 Kubernetes 集群中部署和管理 tensorflow 任务的框架。主要功能包括 用于管理 Jupyter 的 JupyterHub 服务 用于管理训练任务的 Tensorflow Training Controller 用于模型服务的 TF Serving 容器 部署 部署之前需要确保 一套部署好的 Kubernetes 集群或者 Mini

Kubernetes 从 v1.8 开始支持原生的Apache Spark应用（需要Spark支持Kubernetes，比如v2.2.0-kubernetes-0.4.0），可以通过 spark-submit 命令直接提交Kubernetes任务。比如计算圆周率 bin/spark-submit --deploy-mode cluster --class org.apache.spark.

校验者: @小瑶 翻译者: @李昊伟 校验者: @hlxstc @BWM-蜜蜂 @小瑶 翻译者: @... 内容提要 在本节中，我们介绍一些在使用 scikit-learn 过程中用到的 机器学习 词汇，并且给出一些例子阐释它们。 机器学习：问题设置 一般来说，一个学习问题通常会考虑一系列 n 个 样本 数据，然后尝试预测未知数据的属性。 如果每个样本是 多个属性的数据 （比如说是一个多维记录），

用于制定人工智能、机器学习和深度学习课程表的资源概览。 制定课程表的一般建议 上学获得一个正式学位并不总是可行或者令人满意的。对于那些考虑自学来代替的人，这就是写给你们的。 1. 构建基础，之后专攻兴趣领域 你不能深入每个机器学习话题。有太多药学的东西，并且领域的进展较快。掌握基础概念，之后专注特定兴趣领域的项目 -- 无论是自然语言理解，计算机视觉，深度强化学习，机器人，还是任何其它东西。 2.

简单、纯中文的解释，辅以数学、代码和真实世界的示例 谁应该阅读它 想尽快赶上机器学习潮流的技术人员 想要入门机器学习，并愿意了解技术概念的非技术人员 好奇机器如何思考的任何人 本指南旨在让任何人访问。将讨论概率，统计学，程序设计，线性代数和微积分的基本概念，但从本系列中学到东西，不需要事先了解它们。 为什么机器学习重要 人工智能将比本世纪的任何其他创新，更有力地塑造我们的未来。 任何一个不了解它的

15Min速战速决，好像是海面 1.自我介绍 2.问了一个项目:介绍，为什么要这样做。为什么用Resnet18，了解其他图像分类模型吗？ 3.问了研究课题和论文 4.问了实习经历 无手撕

自我介绍 c++，计网八股 好多好多 项目深挖 raft和跳表 学校科研和难点 手撕快排（中间脑子一抽写完partition就运行了，现在想想，麻了） 面试官好好！也很温柔～全防出去了！！许愿～ bilibili💕b小将，启动！#bilibili##机器学习#

一面 （1）死锁的两种原因 （2）模型量化的方式，我说kv cache和参数量化，面试官问量化是怎么提高推理加速的效率，我答不太上来 （3）transformer自注意力层的时间复杂度 （4）stack和dequeue的区别 （5）算法题：有效ip地址 一面面试官是我遇到最善良的面试官，他对跨专业同学的包容性大到难以置信。也很感谢他的宽容和鼓励。最后反问环节，他跟我举了jieba分词的例子，鼓励我

时长：1h 1.自我介绍 2.选了个实习深挖，这部分问了蛮多的，从流程到实现，每部分的输入输出等等 3.根据我的研究方向，问了一些经典的算法和最新的一些前沿成果（这部分拉了坨大的，面试官说我说的那些东西在他上学那会就有了） 4.注意力机制的计算公式？为什么除以根号dk？ 5.了解推荐模型嘛？知道哪些模型？ 6.手撕：和为k的连续子数组（面试官口述的问题，一开始理解成输出数量，结果是要输出所有的数组

8.23 一面： 自我介绍 项目1,2 算法题：最长回文子串 八股： 逻辑回归 bagging boosting 反问 8.30 二面 自我介绍 项目盘 算法题：重复数字 八股： 逻辑回归为什么用交叉熵损失函数 word2vec为什么只用一个隐藏层 python的迭代器和生成器的区别 反问 唉，二面答的不好，算法题也有点紧张了，没当场撕出来 发面攒人品了

1.自我介绍+项目 2.卷积的特征图计算（(w+2p-k)/s+1） 3.VGG16的结构和思想？（5×5卷积核等价于2个3×3，7×7等价于3个3×3） 4.UNet结构和思想？下采样+上采样 5.Deformable Conv的做法（卷积+offset预测） 6.SVM,K means,GBDT等传统机器学习算法的一些问题：hard margin如何做的+K means流程 7.蒸馏是什么，温

主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推

Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code